CN114819267A - 一种短期负荷的预测方法、装置、电子设备和存储介质 - Google Patents

一种短期负荷的预测方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN114819267A
CN114819267A CN202210270575.XA CN202210270575A CN114819267A CN 114819267 A CN114819267 A CN 114819267A CN 202210270575 A CN202210270575 A CN 202210270575A CN 114819267 A CN114819267 A CN 114819267A
Authority
CN
China
Prior art keywords
stack
modal
prediction
component
load data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202210270575.XA
Other languages
English (en)
Other versions
CN114819267B (zh
Inventor
冼广铭
黄鸣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China Normal University
Original Assignee
South China Normal University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by South China Normal University filed Critical South China Normal University
Priority to CN202210270575.XA priority Critical patent/CN114819267B/zh
Publication of CN114819267A publication Critical patent/CN114819267A/zh
Application granted granted Critical
Publication of CN114819267B publication Critical patent/CN114819267B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Human Resources & Organizations (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种短期负荷的预测方法，包括：获取历史负荷数据；对预处理后的历史负荷数据进行变分模态分解，得到多个模态分量；计算多个模态分量的排列熵，并根据排列熵的大小，将多个模态分量划分为三个模态分量组，将每个模态分量组中的模态分量叠加得到三个重构分量；将每个重构分量归一化处理后输入至经SSA优化后的N‑beats网络进行预测，得到每个重构分量的子预测值；将每个子预测值叠加得到待预测时间点的预测值。本申请利用变分经验模态分解将历史负荷数据分解为若干个模态分量，利用排列熵对各模态分量进行复杂度分析，重构各模态分量以捕获内部因素，减少估计误差的累积。利用经过SSA进行优化的N‑beats网络进行预测，相比于其他模型具有更好的效果。

Description

一种短期负荷的预测方法、装置、电子设备和存储介质
技术领域
本发明涉及电力系统技术领域，尤其涉及一种短期负荷的预测方法、装置、电子设备和存储介质。
背景技术
电力行业作为国民经济的基础支撑行业，是实现人民幸福生活、实现我国工业现代化的重要基石之一，研究科学合理的电力负荷智能化预测已成为当今相关领域研究的热点。历史数据中提取信息进行更好的能源预测对于建筑能源规划和优化至关重要。准确的短期负荷预测不仅能帮助系统安全可靠地运行，还能减少资源浪费，提高经济效益,因此负荷预测成为了电网运行和管理的一个重要研究领域。
目前，短期电力负荷预测的方法主要分为3类：基于传统统计学的短期电力负荷预测、基于机器学习的短期电力负荷预测和基于深度学习的短期电力负荷预测。
基于传统数学统计模型，具有结构简洁、运算量小和简单线性预测精度高的优点。但是其非线性映射能力不足，对于复杂度比较高的非线性负荷数据，由于统计学算法的鲁棒性较差，对未知数据的泛化能力较差，难以对其进行准确的预测，难以满足实际的预测需求。
随着人工智能技术的发展，机器学习在电力负荷预测领域得到广泛应用。机器学习算法可以有效处理非线性问题。但仍存在时间序列信息的丢失问题，预测精度仍有提升空间。
得益于人工智能领域的快速发展，近年来深度学习算法以其强大的非线性映射和自适应能力被广泛应用于电力负荷预测并取得了出色的效果。其中以RNN为基础而改进的长短期记忆网络和GRU网络在长时序问题的处理上贡献尤为突出。此外，CNN网络可以通过用卷积池化有效提升对数据的特征提取。但是单一的CNN网络与LSTM网络在长时间序列或多维输入数据面前，仍然存在序列特征信息丢失，数据间结构信息紊乱，多维特征挖掘不够充分的问题。
发明内容
基于此，本发明提供了一种短期负荷的预测方法、装置、电子设备和存储介质，本申请通过获取的历史负荷数据，来预测未来一天的小时级负荷数据，利用变分经验模态分解将历史负荷数据分解为若干个模态分量，利用排列熵对各模态分量进行复杂度分析，重构各模态分量以捕获内部因素，减少估计误差的累积。利用经过SSA进行优化的N-beats网络进行预测，相比于其他模型具有更好的效果。
根据本申请的一些实施例的第一方面，提供了一种短期负荷的预测方法，包括以下步骤：
获取待预测时间点前的历史负荷数据；
对所述历史负荷数据中的缺失值进行填充预处理；
对预处理后的所述历史负荷数据进行变分模态分解，得到多个模态分量；
计算多个所述模态分量的排列熵，并根据所述排列熵的大小，将多个所述模态分量划分为三个模态分量组，将每个所述模态分量组中的模态分量叠加得到三个重构分量；
将每个所述重构分量归一化处理后输入至经SSA优化后的N-beats网络进行预测，得到每个所述重构分量的子预测值，其中，所述N-beats网络包括两个依次连接的第一堆栈和第二堆栈；
将每个所述子预测值叠加得到所述待预测时间点的预测值。
进一步地，获取待预测时间点前的历史负荷数据，包括：
获取待预测时间点所在区域的前一年的历史负荷数据，采样周期为每一小时采样一次。
进一步地，对预处理后的所述历史负荷数据进行变分模态分解，得到多个模态分量，包括：
通过中心频率观测法，确定分解得到的模态分量的数量；
对每个所述模态分量进行希尔伯特变换，并且得到解析信号的单边频谱
Figure BDA0003554526360000021
将频谱变换到频谱乘以一个指数信号估计的中心频率的基带上：
Figure BDA0003554526360000022
通过解调信号H1高斯平滑估计带宽，对其约束变分问题可表达为：
Figure BDA0003554526360000023
解决式(1)的约束性变分问题，引入二次惩罚因子α和Lagrange乘子λ(t)，将其变为非约束性的变分问题进行求解，公式如下：
Figure BDA0003554526360000024
采用交替方向乘子法更新un,ωn的值，公式如下：
Figure BDA0003554526360000031
Figure BDA0003554526360000032
其中，δ(t)为单位脉冲信号，n为信号分解后得到的第n个模态分量，N为模态分解的总个数，k为迭代次数；wn为模态的中心频率，
Figure BDA0003554526360000033
为偏导运算符号，α为惩罚因子，j为虚数的单位，
Figure BDA0003554526360000034
为卷积算子，λ为Lagrange乘子，f(ω)为f(t)的傅里叶变换，un(ω)为un(t)的傅里叶变换，λ为ωn(t)的傅里叶变换。
进一步地，排列熵的计算公式如下：
Figure BDA0003554526360000035
其中，H(m)表示排列熵，m表示嵌入维度，K为m维相空间映射不同的符号序列的个数，Pj表示符号序列的概率。
进一步地，将每个所述重构分量归一化处理后输入至经SSA优化后的N-beats网络进行预测，得到每个所述重构分量的子预测值，其中，N-beats网络包括两个依次连接的第一堆栈和第二堆栈，包括：
将归一化处理后的所述重构分量输入至所述第一堆栈，得到第一叠加预测值和堆栈剩余；
将所述堆栈剩余输入至所述第二堆栈，得到第二叠加预测值；
将所述第一叠加预测值和所述第二叠加预测值叠加得到所述子预测值。
进一步地，第一堆栈包括三个依次连接的基础块，所述将归一化处理后的所述重构分量输入至所述第一堆栈，得到第一叠加预测值和堆栈剩余，包括以下步骤；
将归一化处理后的所述重构分量输入至所述基础块，分别得到backcast输出和forecast输出；
每个所述基础块的backcast输出和当前所述基础块的输入相减，得到结果作为下一个基础块的输入直至作为所述第一堆栈的输出，得到堆栈剩余，每个所述基础块的forecast输出直接相加作为所述第一堆栈的输出，得到第一叠加预测值；
第二堆栈包括三个依次连接的基础块，将所述堆栈剩余输入至所述第二堆栈，得到第二叠加预测值，包括：
将所述堆栈剩余输入至所述基础块，每个所述基础块的forecast输出直接相加作为所述第二堆栈的输出，得到第二叠加预测值。
进一步地，SSA优化所述N-beats网络，包括以下步骤：
初始化SSA参数，包括：最大迭代次数、麻雀数量；
根据待优化的N-beats网络的参数与所述麻雀数量，生成空间搜索矩阵，其中，所述参数包括：学习率l、迭代次数k、神经元个数n；
计算每个麻雀的适应度值并排序得到最值；
更新发现者、加入者、侦察者的位置，获取全局最优位置并更新最优适应度值；
判断SSA是否满足迭代终止条件，若是，迭代完成并输出最优解，否则，继续迭代寻找最优解。
据本申请的一些实施例的第二方面，提供了一种短期负荷的预测的装置，其特征在于，包括：
历史负荷数据获取模块，用于获取待预测时间点前的历史负荷数据；
预处理模块，用于对所述历史负荷数据中的缺失值进行填充预处理；
变分模态分解模块，用于对预处理后的所述历史负荷数据进行变分模态分解，得到多个模态分量；
排列熵重构模块，用于计算多个所述模态分量的排列熵，并根据所述排列熵的大小，将多个所述模态分量划分为三个模态分量组，将每个所述模态分量组中的模态分量叠加得到三个重构分量；
子预测值获取模块，用于将每个所述重构分量归一化处理后输入至经SSA优化后的N-beats网络进行预测，得到每个所述重构分量的子预测值，其中，所述N-beats网络包括两个依次连接的第一堆栈和第二堆栈；
预测值获取模块，用于将每个所述子预测值叠加得到所述待预测点的预测值。
根据本申请的一些实施例的第三方面，提供了一种电子设备，包括：
至少一个存储器和至少一个处理器；
所述存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如第一方面任一项所述的一种短期负荷预测的方法的步骤。
根据本申请的一些实施例的第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面任一项所述方法的步骤。
本申请首先通过对历史负荷数据进行缺失值的填充预处理，提高了历史负荷数据的完整性。其次，通过变分模态分析将历史负荷数据进行分解，将具有较强波动性的历史负荷数据分解为相对平稳的模态分量，提高了数据的稳定性。进一步地，还通过排列熵将较为平稳的模态分量进行复杂度分析并将数据重组，以捕获内部因素，减少估计误差的累积，得到不同复杂程度的重构分量。最后，将N-beats网络通过SSA进行优化，使用客观的方法确定N-beats网络的参数，使得该网络相比于其他模型具有更好的效果，提高了预测的准确度。本申请提出的经SSA优化后的N-beats网络具有更高的预测精度，与一般的分解-集成的组合模型相比，复杂度更低。
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
附图说明
图1为本申请实施例中的一种短期负荷预测方法的步骤流程图；
图2为本申请实施例中历史负荷数据经过变分模态分解后的模态分量的示意图；
图3为本申请实施例中每个基础块的结构示意图；
图4为本申请实施例中每个堆栈的结构示意图；
图5为本申请实施例中N-beats网络的结构示意图；
图6为SSA优化N-beats网络的流程示意图；
图7为本申请实施例中种短期负荷预测装置的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施例方式作进一步地详细描述。
应当明确，所描述的实施例仅仅是本申请实施例一部分实施例，而不是全部的实施例。基于本申请实施例中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本申请实施例保护的范围。
在本申请实施例使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请实施例。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。在本申请的描述中，需要理解的是，术语“第一”、“第二”、“第三”等仅用于区别类似的对象，而不必用于描述特定的顺序或先后次序，也不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。
此外，在本申请的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联人体的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联人体是一种“或”的关系。
针对背景技术中涉及的现有技术中的分解方法会导致模型复杂度大大提高，需要更多的时间进行预测，现有的算法尚未能完全满足达到实际需求的精度，预测模型的超参数对于最终的实验结果有着很大的影响，一般都是人为凭借经验定值，具有主观性等问题。
本申请提供一种短期负荷预测方法，请参阅图1，该方法包括以下步骤：
步骤S1：获取待预测时间点前的历史负荷数据。
该历史负荷数据为与待预测时间点连续的时间段内的历史数据，该时间段可以是历史周或者历史月。该历史负荷数据具有固定的采样周期，该采样周期可以根据需求设定。待预测时间点的负荷数据可以根据与其连续的历史负荷数据确定，从而精确的处理数据。
在一个优选的实施例中，当需要获取待预测时间点所在区域的前一年的历史负荷数据时，可以设置采样周期为每一小时采样一次。
步骤S2：对所述历史负荷数据中的缺失值进行填充预处理。
获取的历史负荷数据可能存在不完整或者错漏的情况，此时就需要先进行填充预处理。填充的具体方法是通过获取缺失值向量的两个值，将上述两个值的平均值作为填充值，以此来确保数据的完整性。
步骤S3：对预处理后的所述历史负荷数据进行变分模态分解，得到多个模态分量。
历史负荷数据具高复杂度、随机性强等特点，如果直接对其进行预测，一般的预测模型很难充分掌握到其中的规律，导致最终的预测结果不佳。因此，可以先通过变分模态分解，将数据的复杂度降低，减少预测模型的预测时间。
步骤S4：计算多个所述模态分量的排列熵，并根据所述排列熵的大小，将多个所述模态分量划分为三个模态分量组，将每个所述模态分量组中的模态分量叠加得到三个重构分量。
排列熵(Permutation Entropy，PE)是用于衡量时间序列复杂程度的指标，它在计算重构子序列之间的复杂程度时，引入了排列的思想。排列熵越小，表明其对应的时间序列越规则；排列熵越大，表明其对应的时间序列越复杂。
具体的，计算每个模态分量的排列熵后，可以根据排列熵的大小将多个模态分量进行复杂度分析，并根据复杂程度划分为高复杂、中复杂和低复杂的三个模态分量组。并分别将每组中的模态分量叠加，分别得到高复杂重构分量、中复杂重构分量和低复杂重构分量。
排列熵的计算公式如下：
Figure BDA0003554526360000071
其中，H(m)表示排列熵，m表示嵌入维度，K为m维相空间映射不同的符号序列的个数，Pj表示第符号序列的概率，具体的，本申请中的嵌入维度可以设置为3。
步骤S5：将每个所述重构分量归一化处理后输入至经SSA优化后的N-beats网络进行预测，得到每个所述重构分量的子预测值，其中，所述N-beats网络包括两个依次连接的第一堆栈和第二堆栈。
N-beats网络是通过给定的时间序列，利用历史数据的时间序列，预测未来时刻的时间序列。具体的，该网络中的第一堆栈用于拟合趋势，第二堆栈用于拟合周期性。
分别将高复杂重构分量、中复杂重构分量和低复杂重构分量输入至优化后的N-beats网络，即可得到对应的高复杂子预测值、中复杂子预测值和低复杂子预测值。将复杂程度不同的模态分量重组后输入至N-beats网络，有利于该网络预测的准确性。
步骤S6：将每个所述子预测值叠加得到所述待预测时间点的预测值。
在一个具体的例子中，该待预测时间点的预测值可以是该待预测时间点一天内的小时级负荷数据。
本申请首先通过对历史负荷数据进行缺失值的填充预处理，提高了历史负荷数据的完整性。其次，通过变分模态分析将历史负荷数据进行分解，将具有较强波动性的历史负荷数据分解为相对平稳的模态分量，提高了数据的稳定性。进一步地，还通过排列熵将较为平稳的模态分量进行复杂度分析并将数据重组，以捕获内部因素，减少估计误差的累积，得到不同复杂程度的重构分量。最后，将N-beats网络通过SSA进行优化，使用客观的方法确定N-beats网络的参数，使得该网络相比于其他模型具有更好的效果，提高了预测的准确度。
在一个具体的实施例中，请参阅图2，其为本申请实施例中历史负荷数据经过变分模态分解后的模态分量的示意图，对预处理后的所述历史负荷数据进行变分模态分解，得到多个模态分量，包括：
通过中心频率观测法，确定分解得到的模态分量的数量；
对每个所述模态分量进行希尔伯特变换，并且得到解析信号的单边频谱
Figure BDA0003554526360000081
将频谱变换到频谱乘以一个指数信号估计的中心频率的基带上：
Figure BDA0003554526360000082
通过解调信号H1高斯平滑估计带宽，对其约束变分问题可表达为：
Figure BDA0003554526360000083
解决式(1)的约束性变分问题，引入二次惩罚因子α和Lagrange乘子λ(t)，将其变为非约束性的变分问题进行求解，公式如下：
Figure BDA0003554526360000084
采用交替方向乘子法更新un,ωn的值，公式如下：
Figure BDA0003554526360000085
Figure BDA0003554526360000086
其中，δ(t)为单位脉冲信号，n为信号分解后得到的第n个模态分量，N为模态分解的总个数，k为迭代次数；wn为模态的中心频率，
Figure BDA0003554526360000087
为偏导运算符号，α为惩罚因子，j为虚数的单位，
Figure BDA0003554526360000088
为卷积算子，λ为Lagrange乘子，f(ω)为f(t)的傅里叶变换，un(ω)为un(t)的傅里叶变换，λ为wn(t)的傅里叶变换。
在一个优选的实施例中，将每个所述重构分量归一化处理后输入至经SSA优化后的N-beats网络进行预测，得到每个所述重构分量的子预测值，其中，N-beats网络包括两个依次连接的第一堆栈和第二堆栈，包括以下步骤：
将归一化处理后的所述重构分量输入至所述第一堆栈，得到第一叠加预测值和堆栈剩余。
具体的，第一堆栈包括三个依次连接的基础块，得到第一叠加预测值和堆栈剩余，包括以下步骤；
将归一化处理后的所述重构分量输入至所述基础块，分别得到backcast输出和forecast输出；
每个所述基础块的backcast输出和当前所述基础块的输入相减，得到结果作为下一个基础块的输入直至作为所述第一堆栈的输出，得到堆栈剩余，每个所述基础块的forecast输出直接相加作为所述第一堆栈的输出，得到第一叠加预测值。
将所述堆栈剩余输入至所述第二堆栈，得到第二叠加预测值。
具体的，第二堆栈包括三个依次连接的基础块，得到第二叠加预测值，包括：
将所述堆栈剩余输入至所述基础块，每个所述基础块的forecast输出直接相加作为所述第二堆栈的输出，得到第二叠加预测值。
将所述第一叠加预测值和所述第二叠加预测值叠加得到所述子预测值。
请参阅图3-图5，其为N-beats网络的结构示意图。具体的，N-beats网络包括第一堆栈和第二堆栈，每个堆栈分别包括三个基础块。
如图3所示，每个基础块包括一个四层的全连接层，最后一个全连接层分别连接两个新的全连接层，新的全连接层各自连接FC和g。每一个基础块最终会得到两个输出，backcast输出和forecast输出，每一个基础块的forecast输出直接相加作为一个堆栈的输出。每一个基础块的backcast输出和原始的输入相减，得到的结果作为下一个基础块的输入。
如图4所示，从堆栈的内部结构可以看出，三个基础块的forecast输出叠加作为一个堆栈的输出，则第一堆栈经过其内部的基础块得到第一叠加预测值，第二堆栈经过其内部的基础块得到第二叠加预测值。
如图5所示，第一堆栈输出的堆栈剩余作为第二堆栈的输入，输入至第二堆栈；第一堆栈输出的第一叠加预测值和第二堆栈输出的第二叠加预测值相加输出N-beats网络得到子预测值。具体的，子预测值包括高复杂的子预测值、中复杂的子预测值和低复杂的子预测值。
由于现有的算法尚未能完全满足达到实际需求的精度，且预测模型的超参数对于最终的实验结果有着很大的影响，一般都是人为凭借经验定值，具有主观性。因此需要一种方法来客观的确定参数，得到一种能够快速收敛的算法来进行超参数优化。
SSA即为麻雀搜索算法，该算法具有寻优能力强，收敛速度快的优点。通过SSA算法优化N-beats网络的参数，能够使得该参数在动态变化的过程中，寻求到最优解，从而提高该网络的精确度。在SSA中，具有较好适应度值的发现者在搜索过程中会优先获取食物。在觅食过程中，一些加入者会时刻监视着发现者。一旦它们察觉到发现者已经找到了更好的食物，它们会立即离开现在的位置去争夺食物，直至获得最优的适应度值。
在一个优选的实施例中，请参阅图6，SSA优化所述N-beats网络，包括以下步骤：
初始化SSA参数，包括：最大迭代次数、麻雀数量。
其中，麻雀数量用于指示N-beats网络待优化的参数的数量。麻雀可以包括：发现者、加入者和侦察者。
根据待优化的N-beats网络的参数与所述麻雀数量，生成空间搜索矩阵，其中，所述参数包括：学习率l、迭代次数k、神经元个数n。
具体的，麻雀数量可以设置为10个，发现者、加入者和侦察者的比例1:3:1，N-beats网络参数初始化范围：学习率[0.001,0.01]，神经元个数[1,100]，迭代次数[1,100]。
计算每个麻雀的适应度值并排序得到最值。
每个麻雀的位置用于指示N-beats网络的参数，每个麻雀的适应度值用于指示每个N-beats网络的参数的均方根误差，误差越小，则表明该麻雀位置越优，则该麻雀位置对应的参数越准确。
具体的，先根据每个麻雀的位置(即N-beats网络的参数)各自训练N-beats网络，例如有S个麻雀每次迭代就要分别训练N-beats网络S次，并计算它们各自的均方根误差，作为适应度值。
更新发现者、加入者、侦察者的位置，获取全局最优位置并更新最优适应度值。
判断SSA是否满足迭代终止条件，若是，迭代完成并输出最优解，否则，继续迭代寻找最优解。
具体的，当下一次迭代与这一次的迭代的适应度值变化不大，或变化很小时，视为迭代终止的条件。麻雀的适应度值最优时，其位置为全局最优，则该麻雀位置对应的N-beats网络的参数为最优。
与上述的短期负荷预测方法相对应，如图7所示，本申请还提供一种短期负荷预测的装置700，包括：
历史负荷数据获取模块701，用于获取待预测时间点前的历史负荷数据；
预处理模块702，用于对所述历史负荷数据中的缺失值进行填充预处理；
变分模态分解模块703，用于对预处理后的所述历史负荷数据进行变分模态分解，得到多个模态分量；
排列熵重构模块704，用于计算多个所述模态分量的排列熵，并根据所述排列熵的大小，将多个所述模态分量划分为三个模态分量组，将每个所述模态分量组中的模态分量叠加得到三个重构分量；
子预测值获取模块705，用于将每个所述重构分量归一化处理后输入至经SSA优化后的N-beats网络进行预测，得到每个所述重构分量的子预测值，其中，所述N-beats网络包括两个依次连接的第一堆栈和第二堆栈；
预测值获取模块706，用于将每个所述子预测值叠加得到所述待预测点的预测值。
在一个可选的例子中，子预测值获取模块705，包括：
第一堆栈预测单元，用于将归一化处理后的所述重构分量输入至所述第一堆栈，得到第一叠加预测值和堆栈剩余；
第二堆栈预测单元，用于将所述堆栈剩余输入至所述第二堆栈，得到第二叠加预测值；
子预测获取单元，用于将所述第一叠加预测值和所述第二叠加预测值叠加得到所述子预测值。
在一个可选的例子中，第一堆栈包括三个依次连接的基础块，第一堆栈预测单元，包括：
输出获取元件，用于将归一化处理后的所述重构分量输入至所述基础块，分别得到backcast输出和forecast输出；
第一叠加预测值获取元件，用于每个所述基础块的backcast输出和当前所述基础块的输入相减，得到结果作为下一个基础块的输入直至作为所述第一堆栈的输出，得到堆栈剩余，每个所述基础块的forecast输出直接相加作为所述第一堆栈的输出，得到第一叠加预测值。
在一个可选的例子中，第二堆栈包括三个依次连接的基础块，第二堆栈预测单元包括：
第二叠加预测值获取元件，用于将所述堆栈剩余输入至所述基础块，每个所述基础块的forecast输出直接相加作为所述第二堆栈的输出，得到第二叠加预测值。
在一个可选的例子中，还包括用于SSA优化N-beats网络的优化模块，该模块包括：
参数初始化单元，用于初始化SSA参数，包括：最大迭代次数、麻雀数量、发现者数量。
空间搜索矩阵生成单元，用于根据待优化的N-beats网络的参数与所述麻雀数量，生成空间搜索矩阵，其中，所述参数包括：学习率l、迭代次数k、神经元个数n。
适应度计算单元，用于计算每个麻雀的适应度值并排序得到最值。
更新单元，用于更新发现者、加入者、侦察者的位置，获取全局最优位置并更新最优适应度值。
最优解输出单元，用于判断SSA是否满足迭代终止条件，若是，迭代完成并输出最优解，否则，继续迭代寻找最优解。
与上述的一种短期负荷预测方法相对应，本申请还提供一种电子设备，包括至少一个存储器和至少一个处理器；
所述存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述至少一个处理器执行，使得所述至少一个处理器实现上述任一项所述的一种短期负荷预测方法的步骤。
上述设备中各个组件的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。对于设备实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的设备实施例仅仅是示意性的，其中所述作为分离部件说明的组件可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本公开方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
与上述的短期负荷预测方法相对应，本申请还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述方法的步骤。
本公开可采用在一个或多个其中包含有程序代码的存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。计算机可用存储介质包括永久性和非永久性、可移动和非可移动媒体，可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括但不限于：相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
本申请首先通过对历史负荷数据进行缺失值的填充预处理，提高了历史负荷数据的完整性。其次，通过变分模态分析将历史负荷数据进行分解，将具有较强波动性的历史负荷数据分解为相对平稳的模态分量，提高了数据的稳定性。进一步地，还通过排列熵将较为平稳的模态分量进行复杂度分析并将数据重组，以捕获内部因素，减少估计误差的累积，得到不同复杂程度的重构分量。最后，将N-beats网络通过SSA进行优化，使用客观的方法确定N-beats网络的参数，使得该网络相比于其他模型具有更好的效果，提高了预测的准确度。本申请提出的经SSA优化后的N-beats网络具有更高的预测精度，与一般的分解-集成的组合模型相比，复杂度更低。
应当理解的是，本申请实施例并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请实施例的范围仅由所附的权利要求来限制。以上所述实施例仅表达了本申请实施例的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请实施例构思的前提下，还可以做出若干变形和改进，这些都属于本申请实施例的保护范围。

Claims (10)

1.一种短期负荷的预测方法，其特征在于，包括以下步骤：
获取待预测时间点前的历史负荷数据；
对所述历史负荷数据中的缺失值进行填充预处理；
对预处理后的所述历史负荷数据进行变分模态分解，得到多个模态分量；
计算多个所述模态分量的排列熵，并根据所述排列熵的大小，将多个所述模态分量划分为三个模态分量组，将每个所述模态分量组中的模态分量叠加得到三个重构分量；
将每个所述重构分量归一化处理后输入至经SSA优化后的N-beats网络进行预测，得到每个所述重构分量的子预测值，其中，所述N-beats网络包括两个依次连接的第一堆栈和第二堆栈；
将每个所述子预测值叠加得到所述待预测时间点的预测值。
2.根据权利要求1所述的一种短期负荷的预测方法，其特征在于，获取待预测时间点前的历史负荷数据，包括：
获取待预测时间点所在区域的前一年的历史负荷数据，采样周期为每一小时采样一次。
3.根据权利要求1所述的一种基于VMD、排列熵与N-beats网络的短期负荷预测方法，其特征在于，对预处理后的所述历史负荷数据进行变分模态分解，得到多个模态分量，包括：
通过中心频率观测法，确定分解得到的模态分量的数量；
对每个所述模态分量进行希尔伯特变换，并且得到解析信号的单边频谱
Figure FDA0003554526350000011
将频谱变换到频谱乘以一个指数信号估计的中心频率的基带上：
Figure FDA0003554526350000012
通过解调信号H1高斯平滑估计带宽，对其约束变分问题可表达为：
Figure FDA0003554526350000013
解决式(1)的约束性变分问题，引入二次惩罚因子α和Lagrange乘子λ(t)，将其变为非约束性的变分问题进行求解，公式如下：
Figure FDA0003554526350000014
采用交替方向乘子法更新un,ωn的值，公式如下：
Figure FDA0003554526350000021
Figure FDA0003554526350000022
其中，δ(t)为单位脉冲信号，n为信号分解后得到的第n个模态分量，N为模态分解的总个数，k为迭代次数；wn为模态的中心频率，
Figure FDA0003554526350000023
为偏导运算符号，α为惩罚因子，j为虚数的单位，
Figure FDA0003554526350000024
为卷积算子，λ为Lagrange乘子，f(ω)为f(t)的傅里叶变换，un(ω)为un(t)的傅里叶变换，λ为ωn(t)的傅里叶变换。
4.根据权利要求1所述的一种短期负荷的预测方法，其特征在于，排列熵的计算公式如下：
Figure FDA0003554526350000025
其中，H(m)表示排列熵，m表示嵌入维度，K为m维相空间映射不同的符号序列的个数，Pj表示符号序列的概率。
5.根据权利要求1所述的一种短期负荷的预测方法，其特征在于：
将每个所述重构分量归一化处理后输入至经SSA优化后的N-beats网络进行预测，得到每个所述重构分量的子预测值，其中，N-beats网络包括两个依次连接的第一堆栈和第二堆栈，包括：
将归一化处理后的所述重构分量输入至所述第一堆栈，得到第一叠加预测值和堆栈剩余；
将所述堆栈剩余输入至所述第二堆栈，得到第二叠加预测值；
将所述第一叠加预测值和所述第二叠加预测值叠加得到所述子预测值。
6.根据权利要求1所述的一种短期负荷的预测方法，其特征在于：
第一堆栈包括三个依次连接的基础块，所述将归一化处理后的所述重构分量输入至所述第一堆栈，得到第一叠加预测值和堆栈剩余，包括以下步骤；
将归一化处理后的所述重构分量输入至所述基础块，分别得到backcast输出和forecast输出；
每个所述基础块的backcast输出和当前所述基础块的输入相减，得到结果作为下一个基础块的输入直至作为所述第一堆栈的输出，得到堆栈剩余，每个所述基础块的forecast输出直接相加作为所述第一堆栈的输出，得到第一叠加预测值；
第二堆栈包括三个依次连接的基础块，将所述堆栈剩余输入至所述第二堆栈，得到第二叠加预测值，包括：
将所述堆栈剩余输入至所述基础块，每个所述基础块的forecast输出直接相加作为所述第二堆栈的输出，得到第二叠加预测值。
7.根据权利要求1所述的一种短期负荷的预测方法，其特征在于，SSA优化所述N-beats网络，包括以下步骤：
初始化SSA参数，包括：最大迭代次数、麻雀数量；
根据待优化的N-beats网络的参数与所述麻雀数量，生成空间搜索矩阵，其中，所述参数包括：学习率l、迭代次数k、神经元个数n；
计算每个麻雀的适应度值并排序得到最值；
更新发现者、加入者、侦察者的位置，获取全局最优位置并更新最优适应度值；
判断SSA是否满足迭代终止条件，若是，迭代完成并输出最优解，否则，继续迭代寻找最优解。
8.一种短期负荷的预测的装置，其特征在于，包括：
历史负荷数据获取模块，用于获取待预测时间点前的历史负荷数据；
预处理模块，用于对所述历史负荷数据中的缺失值进行填充预处理；
变分模态分解模块，用于对预处理后的所述历史负荷数据进行变分模态分解，得到多个模态分量；
排列熵重构模块，用于计算多个所述模态分量的排列熵，并根据所述排列熵的大小，将多个所述模态分量划分为三个模态分量组，将每个所述模态分量组中的模态分量叠加得到三个重构分量；
子预测值获取模块，用于将每个所述重构分量归一化处理后输入至经SSA优化后的N-beats网络进行预测，得到每个所述重构分量的子预测值，其中，所述N-beats网络包括两个依次连接的第一堆栈和第二堆栈；
预测值获取模块，用于将每个所述子预测值叠加得到所述待预测点的预测值。
9.一种电子设备，其特征在于，包括：
至少一个存储器和至少一个处理器；
所述存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如权利要求1至7任一项所述一种短期负荷的预测方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于：
所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
CN202210270575.XA 2022-03-18 2022-03-18 一种短期负荷的预测方法、装置、电子设备和存储介质 Active CN114819267B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210270575.XA CN114819267B (zh) 2022-03-18 2022-03-18 一种短期负荷的预测方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210270575.XA CN114819267B (zh) 2022-03-18 2022-03-18 一种短期负荷的预测方法、装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN114819267A true CN114819267A (zh) 2022-07-29
CN114819267B CN114819267B (zh) 2024-09-06

Family

ID=82531714

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210270575.XA Active CN114819267B (zh) 2022-03-18 2022-03-18 一种短期负荷的预测方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN114819267B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117056847A (zh) * 2023-10-10 2023-11-14 中南大学 一种流式数据的异常检测方法、系统、设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107392364A (zh) * 2017-07-12 2017-11-24 河海大学 变分模态分解与深度信念网络的短期负荷预测方法
CN112766076A (zh) * 2020-12-31 2021-05-07 上海电机学院 一种电力负荷超短期预测方法、系统、设备及存储介质
CN112990576A (zh) * 2021-03-16 2021-06-18 中国民航大学 基于bp神经网络和最小二乘法的空中交通流量短期预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107392364A (zh) * 2017-07-12 2017-11-24 河海大学 变分模态分解与深度信念网络的短期负荷预测方法
CN112766076A (zh) * 2020-12-31 2021-05-07 上海电机学院 一种电力负荷超短期预测方法、系统、设备及存储介质
CN112990576A (zh) * 2021-03-16 2021-06-18 中国民航大学 基于bp神经网络和最小二乘法的空中交通流量短期预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
孙祥晟;陈芳芳;徐天奇;甘露;王驰鑫;齐琦;赵倩;: "基于CEEMDAN分解的GA-BP神经网络电动汽车配电网短期负荷预测", 云南民族大学学报(自然科学版), no. 03, 10 May 2020 (2020-05-10), pages 112 - 118 *
肖小刚;莫莉;张祥;秦洲;何飞飞;刘光彪;周建中;: "基于CEEMDAN+RF+AdaBoost的短期负荷预测", 水电能源科学, no. 04, 25 April 2020 (2020-04-25), pages 187 - 190 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117056847A (zh) * 2023-10-10 2023-11-14 中南大学 一种流式数据的异常检测方法、系统、设备及存储介质
CN117056847B (zh) * 2023-10-10 2024-01-30 中南大学 一种流式数据的异常检测方法、系统、设备及存储介质

Also Published As

Publication number Publication date
CN114819267B (zh) 2024-09-06

Similar Documents

Publication Publication Date Title
CN109242212A (zh) 一种基于变模式分解与长短记忆网络的风电预测方法
CN112381673B (zh) 一种基于数字孪生的园区用电信息分析方法及装置
CN115600840A (zh) 用户群体碳排放动态画像模型构建方法、装置及设备
CN116663746A (zh) 一种电力负荷预测方法、装置、计算机设备及存储介质
CN115034430A (zh) 碳排放量预测方法、装置、终端及存储介质
CN114819267A (zh) 一种短期负荷的预测方法、装置、电子设备和存储介质
CN115586444A (zh) 一种基于vmd与bp神经网络的锂电池剩余寿命预测方法
CN115496144A (zh) 配电网运行场景确定方法、装置、计算机设备和存储介质
CN117596191A (zh) 一种电力物联网异常检测方法、装置及存储介质
CN113094899B (zh) 一种随机潮流计算方法、装置、电子设备及存储介质
CN117374913A (zh) 一种基于STL分解与多层seq2seq模型的波浪能预测方法和装置
CN112668770B (zh) 一种基于信息与波形总体相似度的电力负荷预测方法
CN112667394B (zh) 一种计算机资源利用率优化方法
CN117648157B (zh) 基于多变量感知的容器负载预测方法和系统
CN118549823B (zh) 一种锂电池电性能测试方法及系统
CN117713238B (zh) 光伏发电和储能微电网结合的随机优化运行策略
CN113807387B (zh) 基于svm分类的特征指标风电出力时间序列构建方法和装置
CN117117860B (zh) 一种多频率时间模式渐进解缠的电力负载预测方法
CN118094111B (zh) 一种基于机器学习的非侵入式负荷监测与辨识方法及系统
CN114154679B (zh) 一种基于Spark的PCFOA-KELM风功率预测方法及装置
CN117763944A (zh) 基于电力数据的企业碳排放测算方法、装置、设备和介质
CN116628938A (zh) 一种考虑负荷多维特征的行业中长期负荷stl-gck预测方法
Qin et al. Day-Ahead Wind Power Forecasting Based on Wind Load Data Using Hybrid Optimization Algorithm. Sustainability 2021, 13, 1164
CN117635245A (zh) 基于多层次频域分解和ibmh优化delm的电价预测方法和系统
CN117973604A (zh) 一种混合预测模型的负荷短期预测方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant